标签: voice-recognition

我正在尝试找到一种简单的方法将音频文件转录为文本（CMU Sphinx、Julius 等对于不了解语音识别、配置语言模型、声学模型等的人来说很难）。

我想知道是否有办法将我的音频文件传输到 Mac OS 10.9 Mavericks 的“增强听写”功能中，该功能允许本地离线语音听写。

当我将耳机插孔的跳线插入线路时，我以为我很聪明，但不幸的是，当你开始听写时，它会将所有其他音频播放静音（任何有关如何禁用此静音的建议都会从我这里得到正确的答案） ）。

我正在研究语音识别。为此，我正在使用“alsa-utils”，但是当我尝试使用此脚本时

    #!/bin/bash

echo “Recording… Press Ctrl+C to Stop.”
arecord -D plughw:1,0 -q -f cd -t wav | ffmpeg -loglevel panic -y -i – -ar 16000 -acodec flac file.flac > /dev/null 2>&1

echo “Processing…”
wget -q -U “Mozilla/5.0” –post-file file.flac –header “Content-Type: audio/x-flac; rate=16000” -O – “http://www.google.com/speech-api/v1/recognize?lang=en-us&client=chromium” | cut -d” -f12 >stt.txt

echo -n “You Said: ”
cat stt.txt

rm file.flac > /dev/null 2>&1

我收到这个错误

    “Recording… Press Ctrl+C to Stop.”
ALSA lib pcm_hw.c:1667:(_snd_pcm_hw_open) Invalid value for card
arecord: main:722: audio open …

我正在使用两个不同的库来提取MFCC功能:

• python_speech_features lib
• BOB lib

然而,两者的输出是不同的,甚至形状也不相同.这是正常的吗？还是有一个我缺少的参数？

我的代码的相关部分如下:

import bob.ap
import numpy as np
from scipy.io.wavfile import read
from sklearn import preprocessing
from python_speech_features import mfcc, delta, logfbank

def bob_extract_features(audio, rate):
    #get MFCC
    rate              = 8000  # rate
    win_length_ms     = 30    # The window length of the cepstral analysis in milliseconds
    win_shift_ms      = 10    # The window shift of the cepstral analysis in milliseconds
    n_filters         = 26    # The number of filter bands
    n_ceps            = 13    # The number of cepstral …

我一直在尝试在我的 Expo 应用程序上实现语音识别，我尝试使用名为 的语音到文本库，react-native-voice但它不支持 Expo. 有谁知道我可以使用的任何其他图书馆。我读过一些关于使用 Google 的 api 的文章，但它对我来说太复杂了，我更喜欢一个可以支持 Expo 的更简单的替代方案。

Chrome 89 具有实时字幕功能，可以在播放音频/视频时转录英文文本。它甚至可以离线工作，因此它不会联系谷歌的服务器。

有没有办法以编程方式使用此功能，例如为其提供音频文件并捕获转录文本？

编辑： 这个人写了一些代码可以让你做到这一点。但你需要自己弄清楚如何反汇编和修补 Google 的 libsoda。不过我确实让它工作了。

我尝试使用 Android Studio 在我的 Galaxy Watch 4 上使用 Kotlin 语言进行语音识别，但该设备似乎无法使用该功能。

SpeechRecognizer.isRecognitionAvailable(this) 的值为 False。

我已授予许可： <uses-permission android:name="android.permission.RECORD_AUDIO" />

我尝试添加这个：

<queries>
    <intent>
        <action android:name="android.speech.RecognitionService" />
    </intent>
</queries>

但 SpeechRecognizer.isRecognitionAvailable(this) 的值仍然是 False。

在 Galaxy Watch 4 上是否可以通过编码使用语音识别？我读到，WearOS 3 无法通过编码进行语音识别。这是真的吗？

我正在使用RecognizerIntent.ACTION_RECOGNIZE_SPEECH ,,,我的问题是,我的问题是,我不知道如何创建将捕获用户输入的语音的缓冲区.我在堆栈溢出上读了很多,但我只是不明白我将如何将缓冲区和识别服务回调到我的代码中.以及我将如何回放保存到缓冲区的内容.

这是我的代码:

       public class Voice extends Activity implements OnClickListener {
   byte[] sig = new byte[500000] ;
   int sigPos = 0 ;
       ListView lv;
   static final int check =0;
   protected static final String TAG = null;

@Override
protected void onCreate(Bundle savedInstanceState) {



    // TODO Auto-generated method stub
    super.onCreate(savedInstanceState);


    setContentView(R.layout.voice);

    Intent intent = new Intent(RecognizerIntent.ACTION_RECOGNIZE_SPEECH);
        intent.putExtra(RecognizerIntent.EXTRA_LANGUAGE_MODEL,
            RecognizerIntent.LANGUAGE_MODEL_FREE_FORM);
    intent.putExtra(RecognizerIntent.EXTRA_CALLING_PACKAGE,
            "com.domain.app");

    SpeechRecognizer recognizer = SpeechRecognizer
            .createSpeechRecognizer(this.getApplicationContext());

    RecognitionListener listener = new RecognitionListener() {

        @Override
        public void onResults(Bundle results) {
            ArrayList<String> voiceResults = results
                    .getStringArrayList(SpeechRecognizer.RESULTS_RECOGNITION); …

我们有一个演示Android应用程序(Android 4.0.3),它将语音识别作为服务运行,并且(连续地)在视图上记录识别结果.

我们的智能手机一切正常.

我们希望在Google Glass沉浸式应用程序中复制此方案,但是当我们尝试启动服务时,我们始终会收到此错误消息:

没有选定的语音识别服务

有一些已知的限制吗？或者有人想出如何解决这类问题？

提前致谢

这是活动的一些重要代码:

public class MainActivity extends Activity implements Observer {
   ...
   @Override
   protected void onStart() {
      super.onStart();
      //Toast.makeText(this, "Hi guys", Toast.LENGTH_LONG);
      startService(new Intent(this, SilentVoiceRecognitionService.class));
   }
   ...
}

这是服务的代码:

public class SilentVoiceRecognitionService extends Service {
   protected AudioManager mAudioManager; 
   protected SpeechRecognizer mSpeechRecognizer;
   protected Intent mSpeechRecognizerIntent;
   protected final Messenger mServerMessenger = new Messenger(new IncomingHandler(this));

   private Model model = Model.getInstance();

   static final String TAG = "SilentRecognizer";
   static final int MSG_RECOGNIZER_START_LISTENING = 1;
   static final int MSG_RECOGNIZER_CANCEL = …

问题是我想用C#语言获取音频语音的音素.假设你有一个像"x.wav"这样的音频文件,上面写着"你好亲爱的Shamim".我想提取演讲的所有音素和他们的相对时间.如下图所示:

我使用了System.Speech库(两者recognition和synthesis命名空间),但我找不到我想要的东西.现在别搞错了!我不想要句子的语句"亲爱的Shamim",我想从未知的音频输入中提取音素和英语句子.我试过System.Speech.Recognition但它试图从音频文件中提取出来的话,而不是手机!正如你可能猜到的那样,30%的错误!;)

我有一个基于Android的Epson Moverio设备,但默认情况下没有语音识别引擎.我已经成功安装了语音搜索应用程序,因此,我能够在我正在开发的应用程序中使用谷歌语音识别.现在,问题是我得到的应用程序版本有点陈旧(我认为它来自2011年,因为那是语音搜索应用程序的最后一次更新).还有其他应用程序类似于我可以安装的语音搜索,并允许我使用最新的谷歌语音识别引擎吗？